平面曲线的几何高斯混合表示法：一种不确定性感知的新范式

背景

在计算机图形学、计算机辅助设计（CAD）以及机器人学等领域，几何形状的表示一直是核心问题。传统的确定性几何模型（如精确的多边形或样条曲线）虽然能完美描述理想状态下的形状，但在面对现实世界中的噪声、测量误差或制造公差时，往往显得过于刚性。

现有的概率几何表示方法通常面临两个挑战：一是计算复杂度高，难以进行解析推导；二是难以同时保留局部几何特征（如切线、法线）和全局拓扑结构。特别是在需要“不确定性感知”（Uncertainty Aware）的应用场景中——例如数字孪生、概率障碍建模和轨迹规划——我们需要一种既能忠实还原曲线形状，又能量化并传播不确定性的数学框架。

本文提出了一种基于用户定义的概率多边形表示法，通过引入高斯混合模型（Gaussian Mixture Model, GMM），为平面曲线提供了一种解析上可处理且几何意义明确的概率表示。

核心内容

1. 从确定性多边形到概率多边形

该方法的核心思想是将一条给定的平面曲线近似为一个多边形，但与传统多边形不同，每个线段都被赋予了概率属性。

• 顶点选择与线段构建：给定一条曲线，算法在曲线上选取一系列顶点，并将相邻顶点用直线段连接，形成多边形近似。
• 不确定性参数：对于每一条线段，用户定义一个“不确定性参数”，该参数专门作用于线段的法线方向（Normal Direction）。这意味着，虽然线段在切线方向上是确定的，但在垂直于线段的方向上，其位置存在概率分布。

这种构建方式产生了一组“细长的概率几何基元”。它们不仅保留了底层曲线的几何特征，还将其从理想化的确定性一维公式扩展到了包含不确定性的概率空间。

2. 随机变量与高斯组件的定义

为了将上述几何结构转化为数学上可操作的模型，文章为每个线段定义了一个随机变量：

• 切线方向：随机变量在切线方向上服从均匀分布（Uniform Distribution）。这反映了线段长度的确定性或用户指定的范围。
• 法线方向：随机变量在法线方向上服从高斯分布（Gaussian Distribution）。这量化了曲线在该位置偏离理想几何位置的概率密度。

通过匹配该分布的一阶矩（均值）和二阶中心矩（协方差），可以推导出一个对应的高斯组件：

• 均值：位于线段的中点。
• 协方差矩阵：编码了切线方向和法线方向的不确定性信息。

3. 高斯混合模型（GMM）表示

将上述每个线段对应的高斯组件进行加权组合，即可得到整个平面曲线的高斯混合模型（GMM）表示。

• 权重分配：根据线段的重要性或长度分配权重。
• 整体结构：最终的 GMM 不仅是一个统计模型，更是一个几何模型。它保留了局部几何结构（局部切线、局部法线、局部弧长），同时通过概率分布描述了全局形状的置信度。

4. 模型的灵活性与适用性

该框架具有高度的通用性：

• 曲线类型：适用于平滑曲线、闭合曲线、开放曲线、非正则曲线以及自相交曲线。
• 自适应离散化：允许根据曲率或其他指标自适应地调整顶点密度。
• 可变不确定性：不同线段可以拥有不同的法线不确定性参数，从而实现对复杂几何形状中不同区域不确定性的精细化建模。

关键要点

• 解析可处理性：该框架提供了一个解析上可处理（Analytically Tractable）的概率模型，这意味着可以进行高效的数学推导和计算，而非仅依赖蒙特卡洛模拟等数值方法。
• 局部与全局的一致性：实验表明，该 GMM 表示能够准确捕获局部切线、局部法线和局部弧长，从而忠实地还原底层曲线的全局形状。
• 法线方向的不确定性建模：核心创新在于将不确定性主要建模在法线方向，这符合大多数几何误差的物理特性（即形状偏离而非沿切线拉伸）。
• 广泛的适用场景：
  • 不确定性感知 CAD：在设计阶段考虑制造公差和测量误差。
  • 数字孪生（Digital Twins）：在虚拟模型中反映物理实体的真实不确定性。
  • 机器人学：用于概率障碍建模，使机器人能在存在感知噪声的环境中安全导航。
  • 概率轨迹规划：在规划路径时考虑环境动态性和自身状态的不确定性。

意义与影响

这项研究在计算几何与概率建模的交叉领域具有重要意义。它填补了确定性几何表示与纯统计概率表示之间的空白，提供了一种兼具几何直观性和数学严谨性的新工具。

对于工业界而言，特别是在高精度制造、自动驾驶和机器人领域，这种表示法使得系统能够从“知道形状是什么”进化到“知道形状以何种概率分布存在”。这不仅提高了模型对现实世界噪声的鲁棒性，也为基于概率的决策算法提供了更丰富的几何信息输入。

此外，该方法对自相交和非正则曲线的支持，使其在处理复杂生物形态、地形数据或艺术曲线时具有独特的优势，超越了传统 CAD 系统对“流形”或“简单闭合”曲线的限制。随着数字孪生和不确定性量化（UQ）在工程中的普及，此类几何概率表示法有望成为标准工具之一。